전기생리신호 측정법(EEG)은 전극을 통해 뇌의 다양한 영역에서 발생하는 신경세포 활동을 측정합니다. 기존의 EEG 기반 감정 인식 연구 대부분은 EEG 채널의 위상 구조를 충분히 활용하지 못하고 있습니다. 본 논문에서는 EEG 기반 감정 인식을 위해 규제화된 그래프 신경망(RGNN, Regularized Graph Neural Network)을 제안합니다. RGNN은 뇌의 다양한 영역 간의 생물학적 위상을 고려하여, 서로 다른 EEG 채널 간의 국소적 및 전역적 관계를 포착합니다. 특히, 그래프 신경망에서 인접 행렬을 사용하여 EEG 신호의 채널 간 관계를 모델링하는데, 이때 인접 행렬의 연결성과 희소성은 인간 뇌 조직에 대한 신경과학 이론에서 영감을 받았습니다. 또한, 우리는 주제 간 EEG 변동성을 더 잘 처리하기 위한 노드별 도메인 적대 훈련(NodeDAT)과 노이즈 라벨을 다루기 위한 감정 인식 분포 학습(EmotionDL)이라는 두 가지 규제 방법을 제안합니다. SEED와 SEED-IV라는 두 개의 공개 데이터셋에 대한 광범위한 실험 결과는 대부분의 실험 조건에서 우리 모델이 최신 모델들보다 우수한 성능을 보임을 입증하였습니다. 더욱이, 제거 실험(ablation study) 결과는 제안된 인접 행렬과 두 가지 규제 방법이 우리의 RGNN 모델 성능에 일관되고 유의미한 개선 효과를 미치는 것을 보여주었습니다. 마지막으로, 뉴로나 활동에 대한 조사 결과는 EEG 기반 감정 인식에 중요한 역할을 하는 뇌 영역과 채널 간 관계를 밝혔습니다.